Transkripsi karo Vosk
12.0%
WER
20
Basa
100.0x
Kecepatan
Apache 2.0
Lisensi
_Tentang Vosk
Vosk nyaéta alat ngaidentipikasi basa anu henteu aya dina jaringan anu tiasa dianggo tanpa sambungan internet. Éta ngadukung 20+ basa kalayan model kompak anu tiasa dijalankeun dina alat seluler, Raspberry Pi, sareng platform naon waé. Diwangun dina arsitektur Kaldi sareng Zipformer.
Informasi Model
- PanyedhiyaAlpha Cephei
- Arsitektur-
- LisensiApache 2.0
- DiperbaruiMar 2026
Takon-takon sing asring diajukake
STT.ai hosts Vosk on our GPU infrastructure so you can use it without provisioning your own hardware — upload audio or video and pick Vosk from the model picker.
Dina benchmarks standar, Vosk ngahontal kira-kira 12.0% Word Error Rate. Akurasi dunya nyata gumantung kana kualitas audio, accent, jeung basa; pikeun rekaman noisy atawa accented, ngarepkeun sababaraha poin persentase luhur WER.
Vosk dijalankeun dina tingkat bébas STT.ai - unggal pengunjung kéngingkeun menit 600 pikeun ngamimitian tanpa biaya. Rencana anu dibayar nambihan wates per file anu langkung lami, transcripts pribadi, sareng prioritas ngagentos.
Vosk dikaluarkeun di handapeun Apache 2.0, lisénsi sumber terbuka anu permisif. Anjeun tiasa ngahost Vosk dina perkakas anjeun atanapi nganggo vérsi anu dihost urang - kaduana tiasa dianggo sacara komersial.
Vosk ngadukung 20 basa. Auto-deteksi milih basa anu bener pikeun kabéh audio; anjeun ogé bisa nyatet éta sacara manual pikeun ngaronjatkeun akurasi.
Vosk ngaproses audio dina kira-kira 100.0x real-time dina GPU urang. A file audio 1 jam réngsé dina handapeun 1 menit; file leuwih panjang diulit jeung ngalaporkeun ku surél nalika réngsé.
Vosk mibanda parameter 50M. Model anu leuwih gedé leuwih akurat tapi leuwih lambat; STT.ai mibanda Vosk dina GPU supados jumlah parameter teu mangaruhan kinerja klien.
Vosk nampa saben format STT.ai dukungan - MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI, lan liya-liyane. Output minangka TXT, SRT, VTT, DOCX, JSON, utawa PDF.
Ya. Diarization speaker jalan bareng jeung Vosk pikeun unggal transkripsi — unggal speaker dilabelkeun sarta anjeun bisa ngaganti ngaranna dina penyunting saterusna.
Ya. Vosk dijalankeun dina lingkungan anu diurus urang — audio diolah sareng dihapus sacara piawai sareng henteu pernah dianggo pikeun latihan tanpa opt-in eksplisit. Rencana Pro nambahan enkripsi sisi klien pikeun transkripsi nalika istirahat.
Gunakeun alat compare-stt pikeun ngajalankeun Vosk ngalawan model séjén anu didukung dina audio anu sami — anjeun bakal ningali WER, jumlah segmen, label panyatur, sarta skor confidence dibarengan-dibarengan. Perbandingan Vosk vs Whisper Large V3 nyaéta anu paling umum dijalankeun.
Ya. Nyatakeun "vosk" minangka parameter model dina titik akhir /v1/transcribe. Python sareng Node.js SDK kalebet conto Vosk. Tingkat API gratis kalebet 100 menit / bulan.
Ya. Kusabab Vosk dilisensikeun ku Apache 2.0, anjeun tiasa ngahost éta nyalira. Halaman sumber terbuka STT.ai nyarankeun repo sareng beurat proyek. Kabéh tim produksi nganggo vérsi anu dihost pikeun ngaleupaskeun GPU procurement, swaps model, sareng ops.